Hai aperto Power BI, hai collegato il tuo gestionale, hai seguito tutti i tutorial. Dopo tre giorni di lavoro hai una dashboard con dodici grafici, nessuno dei quali risponde alla domanda che ti fai ogni lunedì mattina: "Qual è il margine reale per linea di prodotto, al netto degli sconti commerciali e dei resi?"
Questo è il limite strutturale dei tool BI standard: sono costruiti per rispondere a domande generiche, non alle tue domande specifiche.
Non è una critica a Power BI o Tableau. Sono strumenti potenti, usati bene in migliaia di aziende. Il punto è che "usati bene" presuppone che la tua struttura dati sia abbastanza standard da adattarsi ai loro modelli. Quando non lo è, il tool diventa un problema invece che una soluzione.
Ci sono situazioni precise in cui i BI preconfezionati cedono. La prima è la moltiplicazione delle fonti dati. Se i tuoi dati stanno su un gestionale legacy, un CRM diverso, un e-commerce, qualche foglio Excel condiviso su SharePoint e forse un sistema di ticketing, nessun connettore nativo ti salva. Finisci a fare ETL manuale ogni settimana, cioè esporti, pulisci, unisci, importi. Un lavoro da analista che però lo fa il commerciale o il responsabile amministrativo, sottraendo ore a quello che sa fare davvero.
La seconda situazione è la specificità del modello dati. Ogni settore ha KPI che i tool generalisti non conoscono. Un'azienda manifatturiera guarda l'OEE (Overall Equipment Effectiveness). Una società di servizi professionali guarda l'utilizzo ore per profilo e il margine per commessa. Un distributore guarda la rotazione di magazzino per categoria e il fill rate per cliente. Power BI può calcolarli, ma devi costruire tu tutto il modello DAX, e se non hai un data analyst interno, stai chiedendo a qualcuno che non esiste.
La terza è la frequenza e la forma degli aggiornamenti. I tool standard aggiornano i dati con una latenza che va da qualche minuto a qualche ora, a seconda del piano. Se lavori in settori dove le decisioni si prendono in tempo reale (logistica, produzione, vendita retail), quella latenza è inaccettabile.
Un sistema di report costruito su misura parte da una domanda diversa: non "cosa può mostrare il tool?", ma "cosa ti serve sapere per prendere decisioni migliori?"
La differenza pratica è enorme. Invece di adattare le tue domande ai filtri disponibili, costruisci le viste intorno ai tuoi processi. Il margine per linea di prodotto con sconti e resi? È una query specifica sul tuo database, non un esercizio di acrobazia DAX.
Un sistema custom tipicamente si compone di tre strati.
Il primo è il livello di integrazione dati: un insieme di connettori e pipeline che raccolgono i dati dalle sorgenti, li normalizzano e li caricano in un database centrale. Questo può essere un data warehouse semplice (PostgreSQL funziona bene per volumi PMI) o qualcosa di più strutturato se i volumi lo richiedono.
Il secondo è il livello logico: le regole di calcolo dei KPI, le aggregazioni, i filtri di business. Qui vive la conoscenza del tuo settore. Un sistema custom può incorporare regole complesse che un tool generalista non saprebbe nemmeno dove mettere.
Il terzo è il livello di visualizzazione: le dashboard, i report schedulati, gli alert automatici. Questo può essere costruito su librerie open source (Apache ECharts, Recharts, D3.js) integrate in un'applicazione web, oppure su un tool BI esistente usato però solo come layer di presentazione, con il modello dati già pronto sotto.
| Dimensione | BI standard (Power BI, Tableau, Looker) | Reportistica custom |
|---|---|---|
| Tempo di avvio | Giorni o settimane per setup base | Qualche settimana per primo modulo |
| Costo iniziale | Basso (licenza mensile) | Più alto, una tantum o a progetto |
| Costo nel tempo | Licenze ricorrenti, spesso crescono con gli utenti | Manutenzione + hosting, in genere più basso |
| Adattabilità al modello dati | Limitata ai connettori disponibili | Totale, qualsiasi sorgente con API o DB |
| KPI specifici di settore | Da costruire manualmente (DAX, LookML) | Nativi nel modello dati |
| Aggiornamento dati real-time | Dipende dal piano, spesso limitato | Configurabile, anche streaming |
| Dipendenza da vendor | Alta (se cambia il pricing, sei bloccato) | Nessuna, il codice è tuo |
| Curva di apprendimento utenti | Media (interfaccia standardizzata) | Bassa se progettata bene per gli utenti finali |
La tabella non dice che il custom è sempre meglio. Dice che sono strumenti diversi per esigenze diverse.
C'è un numero che quasi nessuno calcola quando adotta un tool BI: le ore di preparazione dati che precedono ogni analisi.
Parliamo di esportare da gestionale A, aprire Excel, fare VLOOKUP con il file del CRM, correggere i formati data, eliminare i duplicati, e infine caricare tutto nel tool. Se questo processo richiede tre ore a settimana e lo fa una persona con un costo orario di 30 euro, stai spendendo circa 4.500 euro l'anno solo in preparazione dati, senza contare gli errori.
Secondo recenti analisi di settore, buona parte del tempo degli analisti nelle PMI italiane va in attività di pulizia e consolidamento dati, non in analisi vera. Un sistema di reportistica custom che automatizza questo passaggio recupera quel tempo dall'inizio.
Se stai valutando se ha senso costruire qualcosa di custom per la tua situazione, raccontaci il tuo caso e vediamo insieme se ci sono margini concreti.
Diciamolo chiaramente: per molte PMI, un tool BI standard è la scelta giusta. Se i tuoi dati stanno tutti in un unico gestionale moderno con connettori nativi, se i KPI che guardi sono standard, se il team è piccolo e le decisioni non richiedono granularità spinta, Power BI o Looker Studio ti bastano e avanzano.
Costruire un sistema custom ha senso quando il costo di adattamento al tool standard supera il costo di costruire qualcosa di proprio. Questa soglia dipende dalla complessità del modello dati, dal numero di utenti, dalla frequenza d'uso e dalla criticità delle decisioni che il sistema deve supportare.
Questa è la nostra opinione netta: il 70% delle PMI che ci chiedono un sistema di report custom potrebbe risolvere il problema con una buona implementazione di un tool esistente. Il problema non è lo strumento, è che nessuno si è preso il tempo di progettare il modello dati correttamente. Prima di costruire qualcosa da zero, conviene sempre fare un'analisi onesta di quello che già si ha.
Per chi vuole capire cosa c'è sotto il cofano, un sistema di reportistica custom per PMI si costruisce tipicamente con uno stack di questo tipo.
Per la raccolta e normalizzazione dati si usano pipeline scritte in Python o strumenti di orchestrazione come n8n, che leggono dalle sorgenti a intervalli regolari e caricano in un database centrale. PostgreSQL copre la maggior parte dei casi d'uso a volumi PMI senza bisogno di soluzioni più pesanti.
Per il layer di visualizzazione, se si vuole massima flessibilità si costruisce un'applicazione web con Vue.js o React che usa librerie di charting come ECharts o Recharts. Se si preferisce velocità di sviluppo, si usa Metabase o Grafana come layer di presentazione, con il vantaggio che sono open source e self-hosted.
Per gli alert e le notifiche automatiche, un sistema maturo manda un messaggio su Slack o via email quando un KPI supera una soglia, senza che nessuno debba aprire la dashboard.
L'architettura giusta dipende dal volume di dati, dalla frequenza degli aggiornamenti e da quante persone usano il sistema in contemporanea.
Il primo passo non è scegliere le tecnologie. È mappare le domande a cui il sistema deve rispondere. Non "voglio una dashboard", ma "voglio sapere X, Y e Z, con questa granularità, aggiornato ogni N ore, accessibile a questi ruoli".
Partire dalle domande permette di capire quali dati servono davvero, quali sorgenti vanno integrate, e quale complessità ha il progetto. Spesso questo esercizio rivela che metà dei report richiesti si possono ottenere da dati già disponibili, solo non collegati tra loro.
Il secondo passo è un prototipo funzionante su un sottoinsieme di dati reali. Non wireframe, non mockup: dati veri, anche sporchi, in una dashboard che risponde a due o tre delle domande prioritarie. Questo allinea le aspettative e permette di capire dove stanno i problemi di qualità dei dati prima di costruire tutto il sistema.
Q: Quando ha senso costruire un sistema di reportistica custom invece di usare un tool BI standard?
A: Quando i tuoi dati vengono da più fonti non integrabili tra loro, quando i report standard non rispecchiano i KPI del tuo settore, o quando il team passa ore ogni settimana a esportare e rielaborare dati in Excel prima di poterli leggere. Se nessuna di queste condizioni si applica, un tool esistente probabilmente basta.
Q: Quanto tempo ci vuole per sviluppare un sistema di report custom?
A: Dipende dalla complessità delle fonti dati e dal numero di viste richieste. Un primo modulo funzionante si può avere in qualche settimana; un sistema completo con più dashboard e integrazioni richiede qualche mese. La fase più lunga di solito è la pulizia e normalizzazione dei dati storici, non lo sviluppo dell'interfaccia.
Q: I tool BI standard come Power BI o Tableau non bastano mai?
A: Bastano spesso. Per molte PMI sono la scelta giusta. Il problema emerge quando le fonti dati sono troppe e mal strutturate, quando il modello dati è molto specifico per settore, o quando servono automazioni e alert che i tool standard non supportano nativamente senza costosi add-on.
Q: Cosa si intende per visualizzazione dati aziendale personalizzata?
A: Una dashboard che mostra esattamente i KPI rilevanti per il tuo business, con la granularità giusta, aggiornata con la frequenza che serve, senza obbligarti a filtrare decine di colonne che non usi. L'interfaccia è progettata per chi la usa ogni giorno, non per un analista che conosce il tool.
Q: Un sistema di reportistica custom si integra con i software già in uso?
A: Sì, ed è spesso il motivo principale per costruirlo. Un sistema custom può leggere dati da gestionali, CRM, e-commerce, fogli Excel e qualsiasi sorgente con un'API o un database accessibile. L'integrazione è un lavoro di ingegneria, non un'operazione plug-and-play, ma è fattibile in quasi tutti i casi.
Se gestisci una PMI con dati distribuiti su più sistemi e i report che produci ogni settimana richiedono ore di preparazione manuale, in Press Start costruiamo sistemi di analisi dati su misura che automatizzano quel lavoro e restituiscono informazioni leggibili a chi deve decidere. Raccontaci il tuo caso
